تشخیص جنسیت گوینده با شبکه عصبی SVM در متلب به همراه داکیومنت و فیلم

پروژه تشخیص جنسیت گوینده با شبکه عصبی SVM به همراه داکیومنت و فیلم آموزشی فارسی

در این پست پروژه تشخیص جنسیت گوینده با شبکه عصبی SVM را در متلب به همراه داکیومنت و فیلم آموشی فارسی آماده کرده ایم که یک پروژه عالی در زمینه پردازش گفتار و صدا است. در ادامه به توضیحاتی در مورد این پروژه پرداخته و قسمتی از فیلم آموزشی آن قرار داده شده است. در این پروژه تشخیص جنسیت گوینده با شبکه عصبی SVM هدف استخراج ویژگی های صحبت مردان و زنان و دادن این ویژگی ‌ها به شبکه عصبی SVM یا svmtrain به عنوان ورودی جهت آموزش شبکه و در نهایت تشخیص جنسیت با استفاده از داده های آموزشی می ‌باشد.

در پروژه تشخیص جنسیت گوینده با شبکه عصبی SVM صوت صحبت 200 مرد و زن به عنوان پایگاه داده استفاده گردید، که بعد از دسته بندی آنها به چهار گروه، که گروه اول شامل صدای 50 مرد و 50 زن بود که ویژگی های صحبت آنها برای آموزش شبکه استخراج گردید و گروه دوم نیز شامل 50 مرد و 50 زن که ویژگی های صحبت آنها برای آزمون شبکه مورد استفاده قرار گرفت.

ویژگی ‌های استخراج شده در دو حوزه زمان (شامل عبور از صفر، ویژگی انرژی آنتروپی) و حوزه فرکانس (شامل طیف تمرکز و پخش شدگی آنتروپی طیفی، تابع جریان طیفی، ویژگی رالاف، ویژگی کپسترال، ویژگی نسبت توافق، ویژگی کروما) می ‌باشند که تمامی توابع لازم برای استخراج این ویژگی ها با استفاده از  کتابخانه آماده متلب صورت گرفت.

بعد از استخراج ویژگی ‌ها، داده های صوتی 100 مرد و زن اول، برچسب جنسیت خورده و به شبکه عصبی SVM داده شدند، سپس خروجی این تابع به شکل یک مدل به تابع دسته بندی svmclassify داده شد، که این تابع با استفاده از مدل آموزش دیده شده، ویژگی های صحبت مردان و زنان را ارزیابی کرده و جنسیت را تشخیص می‌ دهد.

توضیحات بیشتر و مشاهده آنلاین قسمتی از فیلم آموزش پروژه تشخیص جنسیت گوینده با شبکه عصبی SVM در MATLAB در ادامه مطلب.

در تصویر زیر دیاگرام اجرایی کل پروژه تشخیص جنسیت گوینده با شبکه عصبی SVM قابل مشاهده است که تک تک آنها به همراه کد، در داکیومنت پروژه کاملا شرح داده شده اند.

مقدمه و بیان مسئله:

رشد چشمگیر تکنولوژی رباتیک در قرن اخیر و نیاز انسان به هوشمند سازی ربات ها در بالاترین سطح باعث شده است، که محققان به دنبال روش های بهینه ‌ای برای انتقال ویژگی ها هوشمندانه انسان به این مخلوقات بشر باشند. اغلب رفتار های شناختی انسان بر مبنای استخراج ویژگی های اساسی محیط و اعمال موجودات اطراف خود می‌ باشد، بگونه ‌ای که مغز انسان با استفاده از فیلتر های طبیعی خود داده های تکراری و هجو را از بین می‌ برد و اطلاعات ضروری را بخاطر می ‌سپارد.

این اطلاعات استخراج شده اگرچه برای محققین و دانشمندان آشکار می ‌باشد، اما اغلب روش و عملکرد کامل مغز انسان ناشناخته مانده است. اغلب الگوریتم ‌هایی که بر پایه آن ویژگی ‌ها استخراج می‌گردند، موفقیتی نسبی دارند، این درحالی است که مغز یک انسان معمولی قادر به استخراج ویژگی ‌ها جزئی می ‌باشد، که توانایی تشخیص‌ های دقیقی را به او می ‌دهد، اما گذشته از استخراج ویژگی‌ ها، مرحله اساسی دیگر که مورد توجه دانشمندان قرار گرفته است، مرحله یادگیری می ‌باشد.

در این مرحله داده های عینی یا برچسب می‌ خورند و یا به شکل خام به شبکه عصبی داده می‌شوند که نمادی از عملکرد مغز انسان می‌ب اشد، این شبکه عصبی مصنوعی با استفاده از داده ها یک مدلی را ایجاد می‌کند که در اصطلاح به آن یادگیری (یادگیری ماشین – آموزش به شبکه) گفته می‌ شود. این مدل می‌ تواند با استفاده از آموزش های بعدی توانایی تشخیص یک ربات را بالا ببرد، که البته خود الگوریتم ‌های بکار گرفته شده می ‌تواند اثری مهم در قدرت و سرعت تشخیص داشته باشد. بعد از آموزش شبکه مرحله تشخیص و اتخاذ تصمیم می ‌باشد، که اگر پیشینه آموزشی، خوب باشد، عملکرد مناسبی را به یک ربات خواهد داد.

همه فرایند های فوق با الگوبر داری از مغز انسان و در مواقعی مغز موجودات دیگر، پی ریزی شده ‌اند. با توجه به موارد گفته شده، اساسی ‌ترین بخش فرایند توضیح داده شده، مرحله استخراج ویژگی ‌ها می‌باشد، که هر اندازه بیشتر و بهینه تر باشد، عملکرد نهایی را بهبود خواهد داد، که در این پروژه تشخیص جنسیت گوینده با شبکه عصبی SVM بر پایه همین فرضیه اغلب ویژگی ‌های شناخته شده صحبت به شکل یکجا، استفاده شده ‌اند، البته اثرات منفی این ویژگی‌ ها روی هم دیگر، مورد توجه نبودند. از میان شبکه های عصبی موجود نیز شبکه عصبی SVM دو کلاسه در متلب استفاده گردید، که این انتخاب بر پایه دقت و  عملکرد موفقیت آمیز این شبکه در سال های اخیر بوده است.

آموزش شبکه عصبی SVM:

بعد از استخراج ویژگی‌ ها در پروژه تشخیص جنسیت گوینده با شبکه عصبی SVM که شامل 35 سطر و تعداد معینی ستون می‌ باشد، تمامی آنها برای هر شخص، در یک سطر قرار می‌ گیرند، که طول ستون های این سطر در پروژه حاضر حدود 2450 می‌ باشد، بگونه‌ ای که برای آموزش شبکه 100 سطر 2450 ستونی پشت سر هم قرار می‌ گیرند که 50 سطر آن برای مردان و 50 سطر دیگر برای زنان بکار می‌ رود. هر یک از این سطرها یک برچسب جنسیت یعنی مرد بودن و یا زن بودن می‌خورند، ورودی شبکه عصبی SVM نیز بر اساس این دو پارامتر به عنوان نمونه به شکل زیر می باشد. که البته به شکل جداگانه به آن داده می‌ شوند.

توضیحات کامل تر، توضیح خط به خط کدها و فیلم آموزشی به همراه پروژه تشخیص جنسیت گوینده با شبکه عصبی SVM ارائه می گردد.